基于PSO-WSVR的短期水质预测模型研究

针对传统方法很难建立精确的非线性水质预测模型的情况,提出了基于粒子群优化加权支持向量回归机(PSO-WSVR)的水质短期预测模型.在建模过程中,根据各样本重要性的差异,给各个样本的惩罚系数赋予不同权重,改进了标准支持向量回归机算法,克服了标准支持向量回归算法因不同样本均采用相同权重造成预测精度低的问题,并采用粒子群优化算法对加权支持向量回归机参数组合进行自适应优化,模型收敛速度明显加快.运用PSO-WSVR模型对江苏宜兴市集约化河蟹养殖池塘水质进行预测,与标准支持向量回归机和BP神经网络对比分析.结果表明,该模型性能可靠、泛化能力强,预测精度高,为集约化水产养殖水质短期预测提供了一种新思路.     

基于支持向量回归的VPMCD方法及其在局部放电模式识别中的应用

针对传统VPMCD方法在回归预测过程中存在的缺陷,采用支持向量回归代替原方法中的多项式回归模型,解决了原回归方法对高维小样本数据预测精度差的问题。在基于支持向量回归的VPMCD方法中,首先采集各个不同类型的放电样本,并提取特征向量构成样本集合;其次,通过支持向量回归对训练样本进行训练,建立各放电类型的变量预测模型;然后,利用这些模型对测试样本进行回归预测,得到各样本相应的预测平方和误差;最后,以预测误差平方和最小为依据,识别各放电样本的放电类型。相较于BP神经网络、SVM、传统VPMCD方法,SVR-VPMCD方法具有更好的分类效果。     

基于改进广义回归神经网络的网络安全态势预测

针对网络安全态势精确预测,提出一种基于改进广义回归神经网络的预测方法,以改善网络安全态势预测精度.利用滑动时间窗口方法将各个离散时间监测点的网络安全态势值构造成部分线性相关的多元回归数据序列,以其做为样本集输入到改进广义回归神经网络加以训练,进而得到网络安全态势预测模型.在改进广义回归神经网络训练过程中,利用粒子群算法...     

基于支持向量机的光伏发电功率预测

分析了光伏系统的发电特性以及影响光伏发电的因素,建立了基于支持向量机的光伏系统发电功率预测模型.该模型以结构风险最小化原则取代了传统机器学习方法中的经验风险最小化原则,在小样本的机器学习中有着优异的性能.用某一天的数据作为训练样本集,首先对数据进行去噪和归一化,然后用支持向量机方法对样本集进行训练和发电功率预测.仿真结果表明,基于支持向量机的预测模型具有较高的精度,可用于光伏发电系统的预测.     

基于SVR的轨道交通客流量预测

对各种城市轨道交通客流预测方法进行分析和比较,指出进行短期城轨客流预测的必要性.支持向量回归方法作为以结构风险最小化原理为理论基础的学习算法,可应用于轨道交通客流量预测.构建了城市轨道交通客流的预测模型,与BP神经网络预测方法进行了比照试验.     

三种交通流量预测模型的建立及其比较

针对城市交通“智能运输系统”和交通流的特性,采用先进的支持向量机算法和由它改进的BP神经网络方法来建立交通流量预测模型,并将它们及多元线性回归模型分别用于实际流量模拟.实验验证了由支持向量机算法和改进的BP神经网络建立的预测模型具有更高的预测效果和模拟精度.     

基于GRNN的车内噪声品质预测

以8辆不同类型轿车的4种不同车速匀速行驶时采集到的32个车内噪声样本为研究对象,以响度、尖锐度、粗糙度和抖动度4项心理声学客观参量作为输入,以主观评价团对车内噪声的舒适度打分作为输出,分别使用广义回归神经网络、BP神经网络和多元线性回归分析建立车内噪声品质预测模型并对声品质进行预测。三种方法的预测结果表明:广义回归神经网络相对于其他两种方法具有更高的准确度,相对预测误差为-7%～7%,较多元线性回归分析能更准确地描述客观评价参量与主观舒适度之间的非线性关系,并且较BP神经网络具有更高的准确度及稳定性。     

组合核RVM与EEMD信息熵的机械设备可靠度评估与预测

机械设备的运行可靠度反映的是机械设备在预期服役环境中正常工作的能力,传统的机械设备运行可靠度评估方法通常是建立在大量历史样本信息的基础上,然而针对没有历史样本信息的机械设备,传统方法难以对机械设备的实际运行状态进行准确评估,也很难对其未来的性能退化趋势进行有效预测。为此,提出通过构建归一化EEMD信息熵与组合核函数相关向量机对机械设备的运行状态进行评估和预测。首先采集机械设备运行过程中的振动信号,采用经验模式分解方法（ensemble empirical mode decomposition,EEMD）对振动信号进行分解,获得多个本征模态函数（intrinsic mode function,IMF）分量,并分别计算其相对能量和归一化EEMD信息熵,构造表征机械设备运行状态的特征指标。随后,构建组合核相关向量机对机械设备的运行状态指标量样本进行学习,并采用粒子群算法对组合核相关向量机中的权值参数和核函数参数进行优化,建立反映机械设备运行状态的可靠度预测模型。最后,将所构造的运行状态特征指标输入给相关向量机进行可靠度的性能退化预测。滚动轴承运行状态评估及预测的结果表明,所提出的机械设备运行状态评价方法能够充分提取反映滚动轴承运行状态的特征信息,运行可靠度预测方法也充分考虑了滚动轴承性能退化状态的历史规律性,相对于单一核函数相关向量机智能预测模型,组合核相关向量机提高了滚动轴承运行状态的预测精度和鲁棒性,为机械设备的运行状态评估和性能退化趋势预测的工程应用提供了一种新的方法。     

基于神经网络的一种组合预测的构建与应用

以长春一汽集团的汽车生产总量为研究对象,分别构建了回归分析、灰色预测和神经网络三个预测模型,并在此基础之上,借助神经网络对三个模型进行了组合,构造了一种新的组合预测模型.通过对几种模型的分析比较,得出这种组合预测具有很高的预测精度.而且,预测表明组合模型比单一模型的预测更加稳健.     

基于GRNN的砂土液化危害等级评价模型研究

影响砂土地震液化的因素复杂且具有随机性和不确定性.神经网络方法不仅能考虑定量因素,而且能考虑定性因素的影响,因而神经网络方法适用于解决非确定性的砂土地震液化评价问题.在分析广义回归神经网络的基本原理和算法基础上,建立了砂土液化危害等级评价的广义回归神经网络模型.然后用收集到的工程实例样本对该模型进行训练和检验,并与BP神经网络判别结果进行对比.结果表明,广义回归神经网络性能良好、预测精度高,是砂土地震液化危害等级评价的一种有效方法.     

GRNN神经网络在铁路客运量的预测研究

当前国内铁路运输行业发展迅速,需要对客运量进行准确的预测以达到合理地调度。本文以青岛市为例,根据2005年～2017年的资料,建立GRNN广义回归神经网络预测模型,将预测模型计算结果与实际对比,分析相对误差率。研究表明:GRNN神经网络预测模型误差较低,具有良好的预测效果,有利于铁路客运量的预测分析。     

基于广义回归神经网络的粒子滤波算法研究

针对基本粒子滤波算法存在的粒子退化问题,提出了一种基于广义回归神经网络(GRNN)的重要性样本调整的粒子滤波算法。利用广义回归神经网络优化从重要性密度函数采样的样本,将样本作为神经网络的输入,以观测值作为神经网络的目标向量,通过多次训练优化光滑因子逼近目标向量,用样本值和其周围的调整值作为训练后神经网络的输入向量,通过神经网络的输出向量指示用最优点来取代样本值。利用GRNN对样本进行调整,使得样本更接近于后验概率密度。仿真结果表明:基于广义回归神经网络的粒子滤波算法的性能在有效粒子数和均方误差参数方面优于基本粒子滤波算法,在改善滤波精度方面取得了较好的效果,验证了广义回归神经网络在粒子滤波算法中是可用的和有效的。     

基于支持向量机的交通流组合预测模型

根据天津市某路口的历史数据,采用目前流行的历史平均模型、RBF神经网络、灰色预测法分别建立了天津市某路口交通流量的单项预测模型,然后利用支持向量机模型对多个单项预测模型结果进行了组合预测,以作为其最终的预测值.计算结果表明,采用非线性组合方法比采用单一预测方法的预测精度有了进一步的提高,比较适合交通流预测.     

材料性能的模糊神经网络建模

利用模糊神经网络直接从实验数据中提取规则,进行材料性能建模与预测,作为应用示例,建立了基本成分和组织参数的灰铁预测模型。与多元统计分析、模糊回归和广义回归网络所得的结果相比,该方法所得的模型具有学习精度高,且具有更好的泛化能力。     

煤炭需求量预测的支持向量机模型

根据选择的嵌入维数，建立了基于支持向量回归的中国煤炭需求量预测模型．用1980-2002年的中国煤炭需求量构造了支持向量机的输入向量和输出向量；经过与线性核函数及Sigmoid核函数的对比，选用基于径向基函数（RBF）作为校函数，在分析预测误差和模型参数关系的基础上，选择了合适的参数；建立了多输入、单输出的支持向量机（SVM）预测模型．用检验样本与基于RBF神经网络模型的预测进行了比较，结果表明支持向量机模型在训练样本较少的情况下，仍有较高的预测精度和较强的泛化能力，证明了该模型时近期的预测是可靠的．最后用训练好的支持向量机模型很好地预测了2003-2006年我国的煤炭需求量．     

预测板式换热器污垢热阻的新方法

通过动态监测板式换热器冷却水污垢热阻及影响污垢热阻的松花江水水质参数（如pH值、溶解氧、铁离子、氯离子、细菌总数、浊度、电导率、化学需氧量、碱度和硬度等）变化。采用BP神经网络主成分分析、主成分回归、全要素BP神经网络三种预测方法建立板式换热器污垢热阻预测模型,选取1-15号样本为训练或回归拟合样本,16-20号样本为测试样本,并将三种方法的预测结果进行了对比。结果表明,三种方法均可对板式换热器污垢特性进行有效预测,而基于主成分分析的BP神经网络方法的预测结果误差小,优于另外两种方法。     

基于最优加权组合模型的光伏出力预测

针对单一光伏出力预测方法的局限性,建立了一种基于最优加权组合方法的光伏发电功率预测模型。基于气象信息数据,采用模糊聚类的方法将历史光伏发电功率样本分为几类,然后将预测日归类为相似度较高的历史样本集。将此类历史样本与预测日的气象数据作为输入样本分别建立BP神经网络模型、支持向量机模型。利用最优加权组合算法进行多模型的加权组合,得到组合预测模型。某光伏电站的实测功率数据与模型预测结果对比表明,提出的模型有较高的预测精度。     

索力振动法测量神经网络赋泛研究

索的受力状态关系着索体系桥梁的安全,而索力值是衡量索的力学状态的重要指标。目前,索的边界条件难以判别是影响索力识别结果准确性的重要因素。为此,利用ANSYS对拉索振动进行数值模拟,并借助已有索力计算公式对建模方式的可靠性进行验证并生成模拟数据,然后以索长、线密度、抗弯刚度、一阶频率、二阶频率、三阶频率为输入参数,以索力值为输出参数结合振动模拟数据分别建立BP神经网络和广义回归神经网络索力预测模型,并将两种神经网络索力预测模型和已有索力计算公式应用于实际工程中进行对比验证。结果表明：BP神经网络索力预测模型的神经网络结构为6-13-13-1,输入层与隐含层1、隐含层1与隐含层2、隐含层2与输出层之间的激励函数分别为tansig、tansig、purelin,训练算法为L-M优化算法trainlm,学习速率为0.1,网络迭代次数为1000,显示间隔为100,均方误差为0.001,索力预测模型的预测效果良好,但还有进一步优化的空间;广义回归神经网络索力预测模型的最佳spread值为0.00215,索力预测模型的预测效果优于BP神经网络和已有索力计算公式,且预测误差基本控制在5%以内。利用广义回归神经网络对桥梁索力进行预测,避免了索的边界条件判别错误对索力识别结果准确性的影响,提高了索力的识别精度,具有良好的工程应用价值。     

基于支持向量机的不等时距灰色组合预测模型

建立了一种基于支持向量机的不等时距灰色组合预测模型.利用各种不等时距灰色模型的预测结果作为支持向量机的输入,实测值作为支持向量机的输出,并采用LS-SVM回归算法和高斯核函数对支持向量机进行训练,利用训练好的支持向量机即可进行组合预测.该模型兼具灰色模型所需原始数据少、建模简单、运算方便的优势和最小二乘支持向量机具有泛化能力强、非线性拟合性好、小样本等特性,弥补了单一不等时距预测模型的不足,避免了神经网络组合预测易于陷入局部最优的弱点.模型结构简单、实用,仿真结果验证了其有效性.     

基于联系数的区域水资源承载力诊断指标组合预测研究

为提高区域水资源承载力诊断指标预测结果的精度和稳定性,在建立区域水资源承载力诊断指标预测的BP神经网络、多元线性回归和支持向量机模型(SVM)的基础上,建立了基于联系数的区域水资源承载力诊断指标组合预测模型(CFCN)。通过对区域水资源承载力水量要素能力表征指标的预测分析,结果表明,CFCN的预测平均误差最小(0.27%)、预测精度最高、稳定性最好,CFCN综合了BP神经网络、多元线性回归和支持向量机这3种预测方法的优势,克服了在区域可利用水量预测中BP神经网络外延性差、多元线性回归模型预测精度低、支持向量机拟合效果差的缺点,预测精度较单一的预测模型有显著提高。上述组合预测方法可为区域水资源承载力诊断指标预测提供有效的方法和技术支持。